[發明專利]基于深度學習的復雜光照條件下人臉識別方法和識別系統

在審

• 申請號: 202010095594.4
• 申請日: 2020-02-17
• 公開（公告）號: CN111339856A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 莊立運;季仁東;居勇峰
• 申請（專利權）人: 淮陰工學院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 常虹

本發明公開了一種基于深度學習的復雜光照條件下人臉識別方法和識別系統，其中人臉識別方法將Log?Gabor濾波器和LBP與深信網絡(DBN)相結合構建有效的深層學習網絡。首先，對圖像進行預處理，有效改善了復雜光照變化對人臉圖像的不利影響；其次，利用Log?Gabor濾波器獲得不同尺度和方向的Log?Gabor特征圖像；然后，提取子塊圖像的LBP特征；最后，形成圖像的紋理特征并輸入到深層信念網絡(DBN)的可視層，通過DBN中的深層學習完成復雜光照條件下圖像的分類和識別。該方法可以在復雜光照條件下提取人臉圖像深度特征，實現復雜光照條件下圖像的分類和識別。

技術領域

本發明屬于人臉識別技術領域，具體涉及一種在復雜光照條件下的人臉識別方法。

背景技術

光照變化或光照不均勻引起的圖像質量下降，將對圖像理解和分析造成一定困難。實驗表明，在人臉識別系統中，光照變化會對識別率產生最大的影響，不同的光照環境會導致人臉圖像的類間差異小于類內差異。文獻：Hallinan P W.A low-dimensionalrepresentation of human faces for arbitrary lighting conditions[C].Proceedings of International Conference on Computer Vision and PatternRecognition,1994:995-999，通過FERET測試結果可知，圖像的光照變化引起識別性能的急劇下降。文獻：Xie X,Lam K M.Face recognition under varying illumination basedon a 2D face shape model[J].Pattern Recognition,2005,38(2):221-230的測試表明，雖然現階段頂級的識別系統對室內合理變化光照，其敏感度大大降低，但其對室外人臉識別的性能還有待進一步提高。室外人臉圖像的特點之一是光照變化較為復雜。

近年來，基于深度學習的人臉識別在身份認證領域得到越來越廣泛的應用。文獻：Singh K,Kapoor R.Image enhancement using exposure based sub image his-togramequalization[J].Pattern Recognition Letters,2014,36:10-14.將具有泛化、自適應和非線性映射功能的BP神經網絡應用于的識別中。為了提高BP人臉識別方法的識別效果，文獻：Tang J R,Isa N A M.Bi-histogram equalization using modified histogram bins[J].Applied Soft Computing,2017,55:31-43提出了改進的基于BP的人臉識別方法，并加入了圖像二值化方法以有效地獲得人臉的位置和尺寸大小。然而，BP神經網絡具有隨機的初始化權值，使得BP神經網絡容易陷入局部極小值，因此BP神經網絡在識別性能提升方面不明顯。為了克服BP神經網絡存在問題，文獻：Kaur A,Singh C.Contrast enhancementfor cephalometric images using wave-let-based modified adaptive histogramequalization[J].Applied Soft Compu-ting,2017,51:180-191中提出了DBN深度學習算法。該算法通過自下而上自動學習不同層次的抽象特征，最終獲得非線性特征，為不依賴于人工選擇的特征自動提取過程。然而，如果多層網絡的輸入是像素級圖像，則深度學習方法可能忽略局部特征，難以學習到人臉圖像的局部特征。文獻：Chang J D,Chen B H,Tsai CS.LBP-based fragile watermarking scheme for image tamper detection andrecovery[C].Proceedings of Next-Generation Electronics,2013:173-176和CVG-UGR-Database.http://decsai.ugr.es/cvg/dbimagenes中，梁和張等提出利用LBP特征作為深層學習網絡的輸入，其分別提高了LBP算法和深度學習算法的性能。但其尺寸相對較高，過于詳細的描述使其對噪聲較為敏感。在LBP的基礎上，學者們提出了改進的中心對稱局部二進制模式(CSLBP)描述子，其維數遠低于LBP，且對噪聲具有較強的魯棒性。但是對于光照變化較為劇烈的場景，其結果仍不能滿足實際應用的要求。